Etapa 7: Propagação

A etapa da propagação é um processo ciclico que se inicia criação dos dois círculos cujos centros foram calculados através etapa anterior. Imediatamente antes deste par de círculos ser formado é necessário averiguar-se a vizinhança de cada um deles. Nesta etapa, considera-se como vizinhança uma circunferência definida exatamente pelo mesmo raio que o do círculo central da bactéria. De acordo com o tipo de vizinhança detetada, caso seja necessário, aprocede-se a um ajuste da posição do círculo de acordo um conjunto de condições muito próximas às definidas na secção 3.3.6. A única diferença significativa é que nesta estapa, para a maioria dos casos, o raio da circunferência de vizinhança mantêm-se inalterado. A única exceção a esta regra são os casos em que na circunferência de vizinhança não são detetados píxeis pertencentes a outras bactérias (isto é, píxeis coloridos) nem píxeis associados ao contorno da bactéria considerada (isto é, píxeis brancos). Neste caso particular, a circunferência de vizinhança irá aumentar progressivamente, de um em um píxel, até atingir um raio igual a _{𝑟 + 4 (𝑟 representa, nesta expressão,o valor associado} ao raio do círculo central da bactéria a ser propagada). Assim que for detetado um píxel branco ou colorido a circunferência deixa de se espandir e, para o conjunto de pontos detetados, averigua- se qual o píxel que se encontra mais próximo do centro calculado. Depois deste elemento ter sido determinado, o centro do círculo será deslocado no sentido oposto ao do vetor que une o centro e a localização deste píxel. Esta translação irá ocorrer até que o centro do círculo se distancie _{𝑟 + 1} píxeis do ponto detetado.

De seguida, inicia-se (para cada círculo agora ajustado) a etapa da formação dos setores circulares direcionais. Nesta fase, a dimensão do raio que define cada um dos setores diminui,

76

comparativamente ao raio estipulado anteriormente. Nesta fase do algoritmo este parâmetro passa a ser determinado pela seguinte expressão:

𝑅 =6_{5 𝑟}

Outra alteração crucial que surge neste procedimento, relativamente ao anterior, relaciona- se com o intervalo de ângulos que é considerado para se definir as retas de comprimento _{2𝑅 que} constituem os setores circulares. Nesta etapa, de modo a evitar que a propagação dos círculos ocorra para zonas da imagem correspondentes a outras bactérias, estipulou-se que se procuraria definir estas retas direcionais dentro do mesmo intervalo de ângulos que caracteriza o par de setores circulares definido para o primeiro círculo da bactéria a ser formado. Assim, se para esse primeiro círculo o ângulo de abertura for, por exemplo, igual a 𝜋

3 e no intervalo considerado de [0; 𝜋] o primeiro raio do setor for obtido a 𝜋₃ e o segundo a 2𝜋

3, durante a fase da propagação só se irá procurar definir retas direcionais nesse mesmo intervalo: [𝜋

3; 2𝜋

3]. Esta restrição encontra-se ilustrada na Figura 3.31.

Figura 3.31: Restrição do intervalo de ângulos para o qual será testada a hipótese da formação de cada reta que poderá compor o próximo par de setores circulares direcionais (adaptado de [66]).

Depois de se ter formado, para cada círculo, um par de setores circulares, calcula-se o centro do próximos dois círculos através da média dos píxeis incluídos nos arcos dos dois setores circulares que se encontrem mais distantes do círculo central.

O procedimento descrito até agora volta a repetir-se até que para um dado círculo sejam detetados mais do que 1 par de setores (isto é, até que a direção de propagação da bactéria não esteja bem definida) ou que o número de retas que constituem o par de setores seja inferior a determinado limiar previamente estabelecido (esta condição indica que pelo menos um dos círculos formados atingiu uma das extermidades da bactéria).

77

A etapa da propagação, numa fase inicial, é apenas aplicada às bactérias incluídas no vetor definedNewCenters. Relativamente às E. coli inseridas no vetor undefinedNewCenters, essas irão ser primeiramente re-submetidas à etapa da formação dos setores circulares (desta vez para um valor de R ligeiramente superior: 3

2𝑟 ) e só depois de concluída essa etapa é que irão ser propagadas. Esta propagação ocorre em duas fases distintas: primeiro propagam-se as bactérias que possuirem uma direção de propagação bem definida e posteriormente as restantes.

Depois de todas as bactérias terem sido propagadas e por um dos dois motivos acima mencionados essa propagação tiver sido suspensa, volta a aplicar-se esta etapa, uma segunda vez, a todas as E. coli. No entanto, nesta iteração, estabelece-se um valor de R inferior (nomeadamente igual a 9

7𝑟). Esta alteração é feita de modo a garantir que a eventual formação de mais do que um par de setores ana iteração anterior não se encontra relacionada com o facto do valor de R ser demasiado grande e para assegurar que todos os círculos que eventualmente, conforme a condição anteriormente referida, tenham atingido um dos extremos da bactéria, se possam ajustar ainda mais a esse limite.

Por último, são detetados todos os círculos não tenham atingido, através da propagação anterior, um extremo da bactéria. Depois deste conjunto de elementos ter sido identificado, cada círculo passa a ser considerado individualmente e é posteriormente sujeito a uma última propagação, desta vez caracterizada por um R igual 10

9 𝑟.

Na Figura 3.32, abaixo destacada, é apresentado um exemplo do resultado da aplicação da etapa da propagação a uma bactéria isolada na imagem.

79

Figura 4.1: Exemplos do resultado da aplicação do algoritmo de segmentação proposto a diversos conjuntos de bactérias.

Análise de Resultados

4.1 Resultados obtidos

De modo a avaliar a eficiência do algoritmo implementado através desta dissertação, a aplicação desenvolvida foi testada num conjunto diversificado de imagens. Procurou incluir-se, nesta coletânea, exemplos onde as bactérias se encontrassem isoladas, organizadas em pares e noutro tipo de agrupamentos de maior dimensão. Esta diversidade foi introduzida de modo a po- der comparar os resultados obtidos para os diferentes níveis de complexidade das agregações formadas por estes microrganismos.

Alguns resultados, associados a etapas intermédias do procedimento adotado, foram sendo apresentados ao longo do capítulo 3. Na Figura 4.1, encontram-se destacados sete resultados finais que demonstram visualmente o efeito da aplicação do algoritmo quando aplicado a diferen- tes circunstâncias.

80

4.2 Validação do algoritmo

Para efetuar a validação do método de segmentação desenvolvido foi necessário comparar-se o resultado obtido através deste algoritmo com o resultado gerado pela segmentação manual das ima- gens. A segmentação manual - embora sendo altamente subjetiva - é encarada, nesta fase, como o modelo correto de segmentação. Os critérios utilizados para a validação do algoritmo de segmentação proposto foram a precisão, a sensibilidade e a F-measure (ou F-score) da classificação.

Precisão

A precisão (também denominado por taxa de deteção ou valor preditivo positivo) é um critério que permite medir a qualidade da classificação do modelo de segmentação proposto. Este parâmetro é descrito matematicamente através da seguinte expressão:

𝑃𝑟𝑒𝑐𝑖𝑠ã𝑜 = _{𝑇𝑃 + 𝐹𝑃}𝑇𝑃 onde,

TP (do inglês, true positive) corresponde ao número de píxeis corretamente classificados como pertencentes a uma dada bactéria (ou conjunto de bactérias) da imagem.

FP (do inglês, false positive) corresponde ao número de píxeis erróneamente classificados como pertencentes a uma dada bactéria (ou conjunto de bactérias)da imagem.

O denominador da expressão da precisão, _{𝑇𝑃 + 𝐹𝑃, corresponde ao número total de píxeis} classificados pelo algoritmo proposto como pertencentes a uma dada bactéria. Este parâmetro,a partir deste ponto denominado por _𝑆𝐴, é obtido através da contabilização do número de píxeis coloridos presentes nas imagens resultantes da aplicação do algorimo a ser validado. O valor associado a _{𝑇𝑃, por sua vez, é obtido através da seguinte igualdade:}

𝑇𝑃 = 𝑆𝐴− 𝐹𝑃

O valor dos falsos positivos (FP), erros do tipo I, é obtido através da subtração da imagem resultante da aplicação do método de segmentação desenvolvido pelo resultado da segmentação manual da imagem.

81

Sensibilidade

A sensibilidade (também denominada por revocação ou taxa de verdadeiros positivos) permite calcular a percentagem de verdadeiros positivos detetados, a qual pode ser descrita matematicamente através da seguinte expressão:

𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 onde,

FN (do inglês, false negative) corresponde ao número de píxeis erróneamente classificados como pertencentes ao background da imagem;

O cálculo dos falsos negativos (FN), erros do tipo II, é obtido através da subtração da imagem segmentada manualmente pela imagem resultante da aplicação do algoritmo proposto.

F-measure

Na análise estatística de uma classificação binária, a F-measure é um critério que permite medir a eficiência do método aplicado. Na expressão utilizada para o cálculo do valor deste parâmetro são considerados os valores da precisão e sensibilidade do classificador. A precisão, como vimos anteriormente, é o número de verdadeiros positivos dividido pelo número total de resultados positivos e a sensibilidade, o número de resultados verdadeiros positvos dividido pelo número de verdadeiros positivos que deveriam ter sido detetados.

O valor do parâmetro F-measure é obtido através da média harmónica entre a precisão e a sensibilidade:

𝐹 − 𝑚𝑒𝑎𝑠𝑢𝑟𝑒 = 2 ∙ _{𝑃𝑟𝑒𝑐𝑖𝑠ã𝑜 + 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒}𝑃𝑟𝑒𝑐𝑖𝑠ã𝑜 ∙ 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒

A Tabela 4.1, apresentada em seguida, discrimina os valores de _𝑆𝐴, _𝑆𝑀 (número de píxeis classificados pela segmentação manual como pertencentes a uma dada bactéria), _{FN, FP,TP, pre-} cisão (P), sensibilidade (S) e F-measure (F-m) calculados para 50 imagens distintas. As primeiras 10, representadas a laranja, consistem em porções de imagens onde as bactérias foram encontra- das isoladas; o segundo conjunto, representado a verde, é constituído por 8 imagens em que as bactérias presentes se encontravam organizadas em pares; o terceiro subconjunto, composto pelas restantes 32 imagens, inclui agrupamentos maiores e mais complexos destes microrganismos.

82

Tabela 4.1:Parâmetros de validação do algoritmo de segmentação proposto calculados para 50 ima- gens. 𝑺𝑨 𝑺𝑴 FN FP TP P (%) S (%) F-m (%) 1087 1176 115 26 1061 97,608 90,221 93,769 1249 1428 179 0 1249 100,000 87,465 93,313 2832 3050 299 81 2751 97,140 90,197 93,540 3340 3988 750 202 3138 93,952 80,710 86,829 1375 1276 31 70 1305 94,909 97,680 96,274 1229 1573 354 1 1228 99,919 77,623 87,371 2386 2625 260 21 2365 99,120 90,095 94,392 1958 2394 436 0 1958 100,000 81,788 89,982 3418 3768 464 114 3304 96,665 87,686 91,957 2631 2869 263 25 2606 99,050 90,833 94,594 1136 1159 53 30 1106 97,359 95,427 96,383 2771 3050 380 101 2670 96,355 87,541 91,737 1056 1216 161 1 1055 99,905 86,760 92,870 1282 1418 179 43 1239 96,646 87,377 91,778 1020 1101 82 1 1019 99,902 92,552 96,087 1586 1607 108 87 1499 94,515 93,279 93,893 1489 1610 136 15 1474 98,993 91,553 95,127 3108 3584 487 11 3097 99,646 86,412 92,558 1735 2018 285 2 1733 99,885 85,877 92,353 2449 2798 358 9 2440 99,633 87,205 93,006 1259 1352 128 35 1224 97,220 90,533 93,757 1750 1814 126 62 1688 96,457 93,054 94,725 1581 1424 31 188 1393 88,109 97,823 92,712 2118 2426 333 25 2093 98,820 86,274 92,121 2159 2761 645 43 2116 98,008 76,639 86,016 2256 2731 495 20 2236 99,113 81,875 89,673 1457 1352 30 135 1322 90,734 97,781 94,126 1671 1737 206 140 1531 91,622 88,140 89,847 2147 2426 338 59 2088 97,252 86,068 91,319 1799 2164 367 2 1797 99,889 83,041 90,689 2062 2320 293 35 2027 98,303 87,371 92,515 4188 4380 508 316 3872 92,455 88,402 90,383 2110 2197 181 94 2016 95,545 91,761 93,615 2308 2470 261 99 2209 95,711 89,433 92,465 2212 2031 26 207 2005 90,642 98,720 94,509 3180 3216 243 207 2973 93,491 92,444 92,964 2582 2617 273 238 2344 90,782 89,568 90,171 2311 2808 554 57 2254 97,534 80,271 88,064 3765 4327 585 23 3742 99,389 86,480 92,486 2639 3204 636 71 2568 97,310 80,150 87,900 4416 5289 938 65 4351 98,528 82,265 89,665 4663 5277 725 111 4552 97,620 86,261 91,590 2367 2808 484 43 2324 98,183 82,764 89,816 2997 3266 355 86 2911 97,130 89,130 92,959 2650 3091 508 67 2583 97,472 83,565 89,984 5521 6572 1121 70 5451 98,732 82,943 90,151 4785 5277 682 190 4595 96,029 87,076 91,334 3695 4327 659 27 3668 99,269 84,770 91,449 3992 4656 725 61 3931 98,472 84,429 90,911 7938 9053 1384 269 7669 96,611 84,712 90,271

83

Com base nos valores de precisão (%), sensibilidade (%) e F-measure (%) adquiridos para cada uma das imagens consideradas, calculou-se a média deste conjunto de parâmetros para cada um dos três grupos discriminados na Tabela 4.1 e ainda para o conjunto global (isto é, conside- rando as 50 imagens). Os valores obtidos através desta etapa encontram-se discriminados na Ta-

bela 4.2, abaixo destacada.

Tabela 4.2: Resumo dos valores dos parâmetros de validação do algoritmo de segmentação proposto obtidos para cada grupo de imagens avaliado.

Do mesmo modo que se gerou a Tabela 4.2 para validar o algoritmo desenvolvido no âmbito desta tese, gerou-se de forma paralela e simultânea uma segunda tabela que permitiu com- parar os resultados obtidos, exatamente para o mesmo conjunto de exemplos considerado, para um método de segmentação automático desenvolvido pelo LBD. A média da precisão obtida atra- vés deste último método foi de 90,796%, a da sensibilidade 94,540% e a do parâmetro F-measure 92,096%. Estes valores correspondem a uma diferença na precisão das classificações igual de 6,091%, na sensibilidade igual a 6,743% e no F-measure igual a 0,176%.

Apesar das diferenças nos valores da sensibilidade e F-measure não serem muito alar- mantes, procurou-se compreender a razão destas discrepâncias e das diferenças evidentes entre a classificação do algoritmo proposto comparativamente à gerada pela segmentação de referência (ou seja, a segmentação manual).

Ao avaliar-se os resultados obtidos ao longo das diversas etapas do método de segmen- tação proposto verificou-se que, para inúmeras bactérias, havia uma discordância significativa (relativamente à segmentação manual) no que diz respeito à morfologia assumida pelos dos con- tornos dos microrganismos. Praticamente em todas as imagens, verificou-se que os contornos extraídos através do método de segmentação manual (e consequentemente, também os contornos associados ao algoritmo automático) eram bastante mais largos do que os obtidos através do pre- sente algoritmo.

Na da Figura 4.2, posteriormente apresentada, é possível observar-se essa diferença. Na parte superior da figura encontra-se (à esquerda) a imagem original e (à direita) os contornos

NÚMERO DE IMAGENS PRECISÃO (%) SENSIBILIDADE (%) F-MEASURE (%)

10 97,836 87,430 92,202

8 97,158 91,264 94,059

32 96,533 87,068 91,397

84

obtidos através do novo método de segmentação proposto. Na parte inferior da figura, para com- paração, estes contornos foram sobrepostos à imagem original (à esquerda) e à imagem segmen- tada manualmente (à direita).

Figura 4.2: (A) Imagem original; (B) Contornos das bactérias presentes na imagem original extraídos a partir do método apresentado na secção 3.3.3; (C) Sobreposição da imagem original com os contornos extraídos; (D) Sobreposição da segmentação manual com os contornos extraídos.

No que diz respeito aos parâmetros discriminados na Tabela 4.1, a discrepância nas mor- fologias dos contornos influencia fortemente o valor dos falsos negativos. De modo a simular crescentes níveis de aproximação entre a morfologia obtida manualmente e a morfologia obtida através do algoritmo proposto, consideraram-se quatro tipos de correção em que FN seria redu- zido e passaria a assumir um valor equivalente a: 3∗𝐹𝑁

4 , 2∗𝐹𝑁 3 , 𝐹𝑁 2, 𝐹𝑁 3 e 0. Ao aplicar-se cada um destes ajustes obteve-se, respetivamente, um valor médio de sensibilidade igual a 90.506%, 91.454%, 93.423%, 95.497% e 100% e um valor médio do parâmetro F-measure igual a 93.485%, 94.002%, 95.055%, 96.138% e 98.397% - valores bastante mais satisfatórios do que os obtidos anteriormente. A variação do valor médio da sensibilidade e da F-measure, em função do tipo de ajuste aplicado, encontram-se respetivamente representados nos gráficos da Figura 4.3e Figura

4.4.

(A)

(C) (D)

85

Figura 4.3: Comparação da sensibilidade obtida para o algoritmo proposto considerando diferentes tipos de aproximações entre a morfologia dos contornos obtidos pelo algoritmo desenvolvido e a morfologia dos contornos definida pelos resultados da segmentação manual.

Figura 4.4: Comparação da sensibilidade obtida para o algoritmo proposto considerando diferentes tipos

de aproximações entre a morfologia dos contornos obtidos pelo algoritmo desenvolvido e a morfologia dos contornos definida pelos resultados da segmentação manual.

80 82 84 86 88 90 92 94 96 98 100 (3*FN)/4 (2*FN)/3 FN/2 FN/3 0

Sensibilidade (%)

Sensibilidade (%) 80 82 84 86 88 90 92 94 96 98 100 (3*FN)/4 (2*FN)/3 FN/2 FN/3 0

F-measure (%)

F-measure (%)

86

4.3 Análise de resultados

O algoritmo de segmentação desenvolvido, tendo em consideração o conjunto de imagens testado, apresenta uma precisão média de classificação igual a 96,887%, uma sensibilidade média igual a 87,797% e um valor de F-measure médio igual a 91,920%. Estes valores, obtidos para cada uma das imagens analisadas, encontram-se discriminados na Tabela 4.1. Entre os diferentes tipos de agrupamento de bactérias considerados, verificou-se que a eficiência da classificação obtida (combinando os três parâmetros de validação analisados) foi consideravelmente maior para os casos em que as bactérias se encontravam agrupadas em pares.

Ao comparar-se a eficiência do algoritmo implementado com a de um segundo algoritmo (automático) desenvolvido pelo LBD para segmentar o mesmo tipo de imagens, verificou-se que a precisão deste último era (em 6,091%) inferior à do algoritmo desenvolvido, a sensibilidade (em 6,743%) superior e o valor de F-measure praticamente o mesmo (sendo apenas superior em 0,176%). No entanto, apesar do algoritmo automático possuir um elevado número de píxeis coin- cidentes com o resultado da segmentação manual, inspecionando visualmente os resultados obti- dos, verificou-se que numa grande parte das bactérias não se encontravam corretamente segmen- tadas.

Na Figura 4.5, são apresentados quatro conjuntos de bactérias segmentados. Para cada exemplo considerado, à esquerda é possível visualizar-se o resultado da segmentação automática e à direita o resultado obtido através da aplicação do método de segmentação desenvolvido. Ob- servando cada caso discriminado na figura é possível concluir que a aplicação do algoritmo auto- mático conduz, em muitos dos casos, à subsegmentação das imagens. Na prática, isto significa que, através deste método, são detetadas menos bactérias do que aquelas que realmente existem. Através do método de segmentação desenvolvido, por ser necessário indicar o centro de cada bactéria presente na imagem, este problema é fortemente atenuado.

Ao detetar-se uma discrepância entre a morfologia dos contornos das bactérias obtidos através do método de segmentação proposto e da segmentação de referência, avaliou-se o efeito que uma série de ajustes exerceria na eficiência do algoritmo. O objetivo destas correções seria aproximar cada vez mais as morfologias dos contornos detetados através destes dois métodos. Verificou-se que, consoante o tipo de ajuste aplicado, o valor médio do parâmetro F-measure (o qual mede a qualidade do algoritmo) poderia aumentar até 98.397%. Esta correlação pode ser analisada através no gráfico da Figura 4.4.

87

Figura 4.5: Comparação entre alguns dos resultados de segmentação obtidos pelo algoritmo automático desenvolvido pelo LBD (para cada exemplo, à esquerda) e os resultados obtidos através da aplicação do algoritmo de segmentação proposto no âmbito desta tese (para cada exemplo, à direita).

Apesar dos resultados obtidos serem bastante satisfatórios existem três fatores principais que podem afetar consideravelmente a eficiência do algoritmo proposto:

1. A elevada diversidade de tamanhos e morfologias das bactérias apresentadas na imagem;

2. A iluminação insuficiente e um elevado nível de desfocagem das imagens; 3. O local onde é efetuado o clique central por parte do utilizador;

Dos três parâmetros mencionados anteriormente, aquele mais afeta os resultados obtidos através do novo método de segmentação proposto é o terceiro. Quando as bactérias se encontram isoladas ou até mesmo aglomeradas em pares, pequenas variações no local onde o clique central é executado não alteram significativamente os resultados obtidos. No entanto, para maiores agru- pamentos do que estes, um clique mal executado poderá afetar não só a segmentação da bactéria indicada mas também a segmentação do conjunto de bactérias adjacentes a esta. Como tal, é ful- cral o utilizador estar consciente desta restrição e procurar selecionar as bactérias clicando tão mais próximo do centro de cada microrganismo quanto possível. Apesar deste inconveniente, o método proposto demonstrou, através de estatísticas e da inspeção visual, numa grande parte dos

88

casos, ser mais eficiente do que o algoritmo automático paralelamente analisado. Comparativa- mente ao manual, a eficiência do algoritmo desenvolvido, atualmente, é consideravelmente me- nor. No entanto, o número de interações necessárias passou para metade e, não exigindo outro tipo de ajustes por parte do utilizador, o tempo necessário para a segmentação de cada imagem conseguiu ser reduzido de horas ou (em alguns casos) inclusivamente dias para apenas alguns minutos. Através da aplicação de alguns ajustes futuros na morfologia dos contornos detetados pelo presente algoritmo seria possível aumentar significativamente o nível de compatibilidade da classificação destas duas técnicas.

89

Conclusão

5.1 Considerações finais

O principal objetivo associado à elaboração desta tese consistiu na criação de um novo método de segmentação a ser aplicado a um conjunto alargado de imagens microscópias da E. coli. Estas imagens foram obtidas por microscopia de contraste de fase e facultadas pelo LBD (Laboratory of Biosystem Dynamics) da Tampere University of Technology.

O procedimento de segmentação desenvolvido baseou-se num conjunto de informações, conhecidas a priori, que permitiram descrever geometricamente a morfologia destas bactérias. Com base nestes dados, desenvolveu-se um algoritmo semi-automático que, para cada microrga- nismo presente na imagem, procurou preencher os seus contornos através de uma sequência finita de círculos. O primeiro círculo gerado para cada E. coli é inicializado, através de um clique, num dado ponto da imagem indicado pelo utilizador como sendo o centro da bactéria. Posteriormente, as dimensões desta figura geométrica são ajustadas bem como o posicionamento do seu centro. Depois desta etapa estar concluída, inicia-se um processo cíclico através do qual novos círculos (de igual dimensão) são sucessivamente gerados e ajustados até que se preencha por completo o interior de todas as bactérias identificadas. De modo a distinguir cada microrganismo presente na imagem e posteriormente avaliar a qualidade da segmentação, atribuiu-se uma cor distinta a cada um deles.

Visando a atenuar o ruído que se sobrepunha inicialmente às imagens de estudo, aplicou- se um filtro de média como método integrante da etapa de pré-processamento das imagens. De seguida, de modo a extrair-se os contornos das bactérias presentes nas imagens, efetuou-se uma

5

90

binarização da mesmas (baseada no método de Otsu) seguida de uma convolução com um filtro Laplaciano.

De modo a facilitar a aplicação do algoritmo proposto, projetou-se e desenvolveu-se uma interface gráfica do utilizador (GUI). Para além da hipótese de se proceder à segmentação das bactérias, neste ambiente foram incluídas diversas ferramentas de processamento e análise de imagens. O conjunto de elementos incluídos nesta interface encontra-se discriminado no capítulo 3.1.

Ao aplicar-se o algoritmo desenvolvido a um conjunto composto por 50 imagens distintas, obteve-se uma percentagem de êxito (medida pelo parâmetro F-measure) igual a 91,920%. Após ter-se avaliando visualmente os resultados de segmentação obtidos, este valor revelou-se bastante aquém das espectativas. Depois de se investigar a causa desta discrepância descobriu-se que o problema consistia em diferentes interpretações daqueles que tinham sido considerados os con- tornos das bactérias. Ao simular-se uma aproximação entre estes limites, previu-se que a eficiên- cia do algoritmo pudesse aumentar até 98.397%.

Comparativamente à segmentação manual, esta técnica releva-se bastante menos demorada e intensiva do ponto de vista da interação requerida por parte do utilizador. Comparativamente a outros métodos automáticos desenvolvidos, como por exemplo o método considerado na análise de resultados, esta técnica veio solucionar, na maioria dos casos, o problema frequente da sub- segmentação das imagens.

Um dos principais fatores que condicionam a qualidade da segmentação obtida através do algoritmo desenvolvido relaciona-se com a posição do clique inicial efetuado pelo utilizador. Caso se selecione, através desse evento, um ponto da imagem que significativamente distante do centro da bactéria (tanto longitudinalmente como transversalmente) o resultado da segmentação da mesma bem como o do conjunto em que esta se insere, pode ficar seriamente comprometido. Para além deste fator, caso a direção definida inicialmente como a de propagação dos círculos na bactéria não seja a correta e os ajustes não forem suficientemente abrangentes para corrigir este

No documento Algoritmos de Segmentação para Aplicações Biomédicas (páginas 97-118)